基于特征值加权融合的手指静脉图像质量评估

余成波，胡晶晶，孔庆达，余玉洁，邓顺华

(重庆理工大学，重庆　400054)



基于特征值加权融合的手指静脉图像质量评估

余成波，胡晶晶，孔庆达，余玉洁，邓顺华

(重庆理工大学，重庆400054)

摘要：对手指静脉图像进行处理：首先提取了空间域梯度、对比度、图像的二维熵、位置偏移度、信噪比等5个特征值，然后对其进行加权融合进而建立质量评估模型，最后利用模型进行分类实验和识别对比实验。结果表明：将提取的特征值加权融合后建立的模型不仅能够很好地对高低质量的手指静脉图像进行分类，也能在一定程度上提高识别系统的识别性能。

关键词：质量评估；特征值；加权融合

近年来，生物特征识别技术已经成为众多学者研究的热点。利用手指静脉识别技术研究人体手指内部的静脉信息，具有高防伪性，可广泛用于银行ATM机、海关、银行、部队以及办公大楼等领域的门禁系统、保险系统等[1]。在手指静脉身份识别系统等相关产品的应用过程中，首先要进行手指静脉图像采集。采集到的图像质量的好坏直接影响后期的特征提取、图像识别等相关操作。在图像采集过程中，采集图像容易受各种外界条件的影响，从而导致采集质量差[2]。大量实验显示，手指静脉图像采集的主要外部影响因子包括[3]曝光不均匀、手指的偏移、温湿度、采集者血管不清晰以及采集行为不当等，将导致采集图像模糊不清。这些低质量的图像不能直接输入识别系统，否则会对后期的图像处理操作造成不良影响，甚至导致识别出错。

为了消除采集过程中以上因素对手指静脉识别系统产生的影响，需要将低质量图像剔除，将高质量图像输入系统，将高、低质量图像区分开来，故提出了图像质量评估算法。

通过对现有质量评估算法的研究，本文对手指静脉图像提取出空间域梯度、对比度、图像的二维熵、位置偏移度、信噪比等5个特征值。

1特征参数分析

空间域梯度：空间域梯度是一种表征静脉图像脊—谷方向清晰度的特征，如果局部区域的质量较好，则脊—谷方向比较清晰；如果局部区域的质量较差，则脊—谷方向不清晰[4]。

对比度：在手指静脉识别系统采集图像的过程中，常由于光照不足或者曝光太强导致静脉图像对比度下降。通过计算图像的对比度，能够得出曝光强弱对图像质量的影响[5]。

图像的二维熵：图像的一维熵可以表示图像灰度分布的聚集特征，即表示的是孤立像素的静态信息，不能反映不同像素之间的静态信息。为了表征这种特征，在一维熵的基础上引入二维熵[6]。

位置偏移度：表示手指静脉图像前景区域的质心相对于整幅图像几何中心的偏移度，由两个参数组成，分别是水平偏移度和垂直偏移度[7]。

信噪比：图像信噪比是指有用信号和噪声的比率。对于一幅图像来说，信噪比越大，图像质量越高；信噪比越小，图像质量越小。

2特征参数提取

2.1空间域梯度

(1)

式(1)中：c11,c12,c21,c22分别表示协方差矩阵C的元素，C的特征值为：

(2)

并且λ1≥λ2。此处定义一个标准化相关测量值：

(3)

该标准化测量值反映了在区域块B中局部脊—谷方向的清晰度。如果局部区域的脊—谷方向比较清晰，那么λ1>>λ2，从而得出k≈1。相反地，如果局部区域额质量较差，脊—谷的方向不清晰，则λ1≈λ2，从而得出k≈0。

假定Q1为手指静脉图像像素梯度评估函数，则

(4)

式(4)中：N表示图像被分得的区域块的总数量；ki表示被分得图像中第i块的标准化相关测量值，经实验证明，其对应的权系数取wi=1时效果最好。

2.2图像对比度

图像对比度即图像像素的均方差。将一幅给定的图像分割成数个8×8的不重叠区域，对于每个区域B，其均方差可计算为

(5)

式(5)中：fM是区域B中灰度值的平均值；r是区域B中总的像素数；fi是某一个像素的灰度值。

一幅图像的对比度是所有被分割区域对比度的平均值[9]，即

(6)

其中N代表一幅图像分割所得区域的总数量。

2.3图像二维熵

选择图像的邻域灰度均值与图像的像素灰度值组成特征二元组(i,j)，其中i表示像素的灰度值(0≤i≤255)，j表示邻域像素的灰度均值(0≤j≤255)，定义：

(7)

式(7)中：pij反映某像素位置上的灰度值与其周围像素灰度分布的综合特征；f(i,j)表示特征二元组(i,j)出现的频数；n为图像的尺度，则离散的图像二维熵可定义为

(8)

假定Q3为手指静脉图像信息熵评估函数，则

(9)

2.4位置偏移度

如果采集者手指位置放置不正确导致静脉图像位置偏移，那么采集到的静脉图像质量将不理想。通过提取位置偏移度特征来建立质量评估函数，可剔除偏移度较大的图像[10]。

首先计算前景区域的质心坐标，然后计算整幅图像的几何中心，最后根据质心坐标和几何中心的偏移量来确定位置偏移质量分数，从而建立位置偏移度函数模型来评价手指静脉图像的质量[11]。

首先，计算前景区域的质心坐标：

(10)

(11)

式中：x[i]表示图像区域D中第i个像素的横坐标；y[j]表示图像区域中第j个像素的纵坐标；M表示图像区域D中像素的总数。

位置偏移度质量分数由水平偏移度质量分数和垂直偏移度质量分数来综合确定。水平偏移度质量分数和垂直偏移度质量分数分别根据前景区域的横坐标和质心坐标来计算，计算公式如下

(12)

(13)

其中W表示前景区域的横坐标。

在求得水平偏移度质量分数和垂直偏移度质量分数之后，得到能够评价手指静脉偏移度的位置偏移度质量分数，计算公式如下：

Q5=(100-QH)×(100-QV)/100

根据相关实验证明，变频器的使用寿命是和温度有关的，所处环境温度的升高会对变频器的使用寿命有很大的损害。所以，在日常的使用时要定期对变频器进行检修。可以从以下方面着手：

(14)

2.5图像信噪比

传统意义上的信噪比由式(15)计算[9]：

(15)

(16)

Q4=SNR

(17)

3特征参数的加权融合

传统的加权融合方法直接将提取的特征值进行加权计算，并且提取出的所有特征值所处地位是一样的。本文考虑到不同特征值对图像质量的影响不同，根据影响程度的高低，使提取的5个特征值在加权结果中所占比例不同，从而得到综合评价质量函数Q：

(18)

4实验结果及分析

4.1分类实验

为了评估单个特征参数构成的评估函数鉴别手指静脉图像质量的能力，本文分别对200张高质量图像和200张低质量图像进行了实验。图1表示的是以空间域梯度作为特征参数来评价图像质量的实验结果，显示了高质量图像和低质量图像的空间域梯度评估函数的分布情况，星状点代表高质量图像的空间域梯度评估函数值，圆点代表低质量图像的空间域梯度评估函数值。从图中可以看出：高质量图像的评估函数值较大，主要分布在上方；低质量图像的评估函数值较小，主要分布在下方。然而，在空间域梯度评估函数值在[0.43,0.57] 范围内，高、低质量图像难以区分，所以，仅使用空间域的梯度这一特征值来评价手指静脉图像的质量是不合理的。

图1　空间域梯度函数分布

同理，分别对其他几个特征参数进行单独实验，实验效果和单独空间阈梯度实验效果类似，显示不能很好地区分高质量和低质量的静脉图像。最后，使用同样方法，对200张高质量图像和200张低质量图像进行实验，特征参数不再是单个的，而是对加权之后的特征函数进行实验，最终得出实验结果，如图2所示。

图2中：星状点代表高质量静脉图像的值；圆点代表低质量静脉图像的值。从图中可以看出：高质量图像的加权值主要集中在[0.48,0.65]范围，低质量图像的加权值主要集中在[0.35,0.48]范围。由此说明，经过加权求和之后，高、低质量的静脉图像能够很好地被区分开来。

图2　加权之后的函数分布

4.2识别对比实验

本实验所用手指静脉识别系统采用波长为850 nm的近红外光光源模块和型号为MT9V034的摄像头。采集者是20～40岁年龄段的50名男性和女性，每人采集20次，一共得到50×20=1 000 张手指静脉图片，记为数据库D1。通过上述算法对数据库D1进行处理，求出最优阈值Q。阈值选取过大或者过小都会对系统识别性能产生不利的影响。阈值过大，容易将高质量的图像误判为低质量图像；阈值过小，容易将低质量图像误判为高质量图像，这些都会降低识别系统的准确度和识别精度。通过实验和分析，取阈值Q=0.48，将Q大于等于0.48的图片记为高质量图片，存于数据库D2中， 将Q小于0.48的图片记为低质量图片，舍弃，最终得到614张高质量图片的数据库D2。

FRR(false rejection rate)和FAR(false acceptance rate)是用来评估指纹识别算法性能的2个主要参数。FRR是拒真率的意思，可以理解为“把应该相互匹配成功的静脉当成不能匹配的静脉”的概率。FAR一般称为认假率，可以理解为“把不应该匹配的静脉当成匹配的静脉”的概率。FRR和FAR互相矛盾，当两者相等时的概率是等错误率。以FAR为横坐标、FRR为纵坐标画曲线，就是ROC曲线；再画y=x的曲线，两个曲线相交时对应的横坐标或纵坐标就是等错误率，此时系统的识别性能是最好的。

分别将数据库D1和D2作为测试数据库，对系统进行识别性能的测试。运用相同的识别算法，对测试数据库中的图像数据进行识别匹配。

通过以上分析可知：在识别过程中，阈值过大或者过小都会使得系统识别率降低。在不同的阈值下，分别计算出拒真率FRR和认假率FAR，然后分别以FAR为横坐标，FRR为纵坐标，画出ROC曲线。

图4　D2数据库的ROC曲线

图3和图4中，直线表示的是y=x，曲线表示FRR和FAR互相矛盾，呈现负相关的趋势，直线和曲线的交点表示FRR=FAR，表示等错误率，此时的阈值为最优值0.48，系统的识别性能最好。

从图3和图4可以看出：D1的等错误率为9.253%，D2的等错误率为6.852%，显然小于使用数据库D1时的等错误率，故此时系统的识别性能较好。

5结束语

本文通过对手指静脉采集图像进行特征提取，提取出空间域梯度、对比度、信息熵、信噪比、位置偏移度等5个特征，然后将其进行加权融合，从而建立起手指静脉图像质量评估模型。通过实验证明模型能够将高、低质量图像进行分类，并且能在一定程度上提高手指静脉识别系统的识别性能。但是加权融合算法在对高、低质量图像进行分类的过程中，阈值的确定比较复杂，有待进一步研究和改善。

参考文献：

[1]赵秀萍.生物特征识别技术发展综述[J].刑事技术,2011,6(4):1008-3650.

[2]秦华峰.手指静脉图像质量评估与特征识别算法研究[D].重庆:重庆大学,2012.

[3]王科俊,刘靖宇,马慧，等.手指静脉图像质量评价[J].智能系统学报,2011,6(4):324-327.

[4]丰明坤,赵生妹,邢超.基于视觉显著失真度的图像质量自适应评价方法[J].电子与信息学报,2015,37(9):2062-2068.

[5]王科俊,马慧,管凤旭，等.基于图像采集质量评价的指纹与指静脉双模态识别决策级融合方法[J].模式识别与人工智能,2012,25(4):669-675.

[6]罗学刚,吕俊瑞,王华军，等.基于局部结构张量的SSIM图像质量评价[J].微电子学与计算机,2014,31(9):109-112.

[7]李朝锋,唐国凤,吴小俊，等.学习相位一致特征的无参考图像质量评价[J].电子与信息学报,2013,35(2):484-488.

[8]黄忠主,穆春迪,谢剑斌，等.用于特征提取的静脉图像质量评价方法[J].计算机科学与工程,2013,35(10):186-190.

[9]李寰宇,毕笃彦,杨源,等.基于深度特征表达与学习的视觉跟踪算法研究[J].电子与信息学报,2015,37(9):2033-2039.

[10]陆建华.指纹识别系统图像质量评估及预处理研究[D].长沙:中南大学,2010.

[11]陈勇,樊强,帅锋.基于小波分析的图像稀疏保真度评价[J].电子与信息学报,2015,37(9):2055-2061.

(责任编辑杨黎丽)

Finger Vein Image Quality Evaluation Based on Eigenvalues Weighting and Fusing

YU Cheng-bo, HU Jing-jing, KONG Qing-da, YU Yu-jie, DENG Shun-hua

(Chongqing University of Technology, Chongqing 400054, China)

Abstract:According to processing the finger vein image, firstly, this article extracted five characteristics, which including the gradient in the spatial domain, contrast, the two-dimensional entropy of image, position deviation and signal-to-noise ratio. Secondly, the five eigenvalues were weighted and fused to set up a quality evaluation model. Finally, the classification and identification-contrast experiments were done using the model. The results show that using the model to set up after characteristics weighting and fusing, not only the high and low quality finger vein images can be well classified, but also the recognition performance of recognition system can be improved to some extent.

Key words:quality evaluation; eigenvalues; weighting and fusing

文章编号：1674-8425(2016)02-0084-05

中图分类号：TP391.4

文献标识码：A

doi:10.3969/j.issn.1674-8425(z).2016.02.015

作者简介：余成波(1965—)，男，江西人，博士，教授，主要从事信号与信息处理研究。

基金项目：国家自然科学基金资助项目(61402063);重庆市科技人才培养计划(新产品研发团队)项目(CSJC2013KJRC-TDJS40012);重庆高校优秀成果转化资助项目(KJZH14213)

收稿日期：2015-10-18

引用格式：余成波，胡晶晶，孔庆达，等.基于特征值加权融合的手指静脉图像质量评估[J].重庆理工大学学报(自然科学版)，2016(2):84-88.

Citation format：YU Cheng-bo, HU Jing-jing, KONG Qing-da, et al.Finger Vein Image Quality Evaluation Based on Eigenvalues Weighting and Fusing[J].Journal of Chongqing University of Technology(Natural Science)，2016(2):84-88.